基于混合深度神经网络的回转窑烧结温度预测方法技术

本发明专利技术公开了一种基于混合深度神经网络的回转窑烧结温度预测方法，从多个热工数据中选取出8个热工变量；对多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；对各变量数据标准化处理；通过采集到的样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；利用训练数据集训练深度神经网络得到相应的权重与偏置，得到权重与偏置带入验证数据集，计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；将使训练集预测误差最小的权重和偏置带入预测集合中计算得到预测值。实现从多元热时间序列中自动提取耦合特征和动态时序特征。

【技术实现步骤摘要】
基于混合深度神经网络的回转窑烧结温度预测方法
本专利技术属于回转窑工业控制
，特别是涉及一种基于混合深度神经网络的回转窑烧结温度预测方法。
技术介绍
工业回转窑是一种典型的高能耗热工设备，在冶金、水泥、等工业领域应用十分广泛，其能耗占生产总能耗60％。生产的关键环节是其窑内烧结温度的稳定控制，通过提前预知燃烧状态，调节被控变量，使窑内保持稳定的生产状态，这些手段对于提高生产率，减少废气和颗粒物排放至关重要。回转窑烧结过程的工况检测与控制近年受到学者的广泛关注。目前常见的回转窑建模研究主要包括：机理建模和数据驱动建模。由于复杂的物理化学反应，热传递和多相流体流动同时发生，因此很难建立烧结过程的机理模型。随着信息技术的发展，已经使用软测量技术对回转窑中的燃烧进行了许多测量和检测。与机理建模相比，基于数据驱动建模在描述建模烧结过程的复杂行为方面显示出巨大的潜力。回转窑的燃烧过程是一个复杂的非线性动力学系统，从过程传感器收集的热工数据是具有典型的强耦合和非线性动力学特征的多元时间序列。大多数现有的数据驱动模型都基于静态建模或自回归统计方法实现预测，仅仅考虑变量在空间或时间上分离的信息，并且将信息直接送入统计分类器或回归中，而并不挖掘数据之间的关系和动态依赖性。因此这些方法很难利用现场的热工数据来精确预测烧结温度。
技术实现思路
本专利技术实施例的目的在于提供一种基于混合深度神经网络的回转窑烧结温度预测方法，以实现从多元热时间序列中自动提取耦合特征和动态时序特征，从而更精确的预测烧结温度。为解决上述技术问题，本专利技术所采用的技术方案是，基于混合深度神经网络的回转窑烧结温度预测方法，包括：步骤S1，从多个热工数据中选取出8个热工变量，采集间隔为1分钟，并进行预处理；步骤S2，对预处理后的多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；步骤S3，对各变量数据标准化处理；步骤S4，通过采集到的多个样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；步骤S5，利用训练数据集训练深度神经网络得到相应的权重与偏置，将得到的权重与偏置带入验证数据集，然后计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；步骤S6，将步骤S5中使训练集预测误差最小的权重和偏置带入预测数据集中，计算得到预测值。进一步的，所述步骤S1，8个热工变量为：窑头温度x1、窑尾温度x2、主机负荷x3、冷却机负荷x4、鼓风流量x5、窑体转速x6、喂煤量x7、烧结温度y。进一步的，所述步骤S1，预处理过程为：查找采集到的8个热工变量数据的缺失值，删除缺失值并删除同一时刻采集到的其他变量数据。进一步的，所述步骤S2为：步骤S2.1，计算7个热工数据变量X的中心化矩阵Xc；步骤S2.2，计算Xc的协方差矩阵W＝XcXcT，T是转置；步骤S2.3，协方差矩阵W做特征值分解，计算特征值λi和特征向量pi，i∈(1,2,...7)并按特征值大小降序排列；步骤S2.4，计算各主成分贡献率L为主成分的个数,L∈(1,2,...7)，计算累计贡献率选取累计贡献率前90％对应的前L个主成分对应的L个特征向量组成因子载荷矩阵是实数集；步骤S2.5，选取L个主成分在因子载荷矩阵中数值最高所对应的热工变量作为最优变量，作为模型输入。进一步的，所述步骤S3为：选取的变量数据进行计算其中xmin和xmin分别为每个变量样本中最小值和最大值，x为采集到的原数据，x′为归一化后的变量数据。进一步的，所述步骤S4为：以时间间隔τ为样本选取间隔长度，以滑窗的方式选取集合，对预测烧结温度y(t+1)，输入数据为X(t),...,X(t-τ),y(t),...,y(t-τ)，其中X是选取的最优的L个过程变量时间序列数据，即X＝{x1,x5,x6,x7}，y是烧结温度数据，N是采集数据样本个数，t是当前时刻，指实数集合，将得到的样本集合分成75％的训练集，20％预测集，5％的验证集。进一步的，所述步骤S5为：步骤S5.1，确定神经网络反向传播的误差阈值ε并设置超参数；设置初始化迭代次数I＝0，最大迭代次数为IMAX；随机初始化各网络层权重矩阵w和偏差β；步骤S5.2，对输入的二维矩阵Xy＝[[X(t),...,X(t-τ)],[y(t),...y(t-τ)]]进行二维卷积计算：其中，为二维卷积运算得到的时空耦合特征，*表示卷积运算，并且是第N个过滤器的权重，大小为j×(n+1)，j为卷积核的长，n为PCA选取的变量个数，βN是卷积层的偏差，ReLU函数是ReLU(x)＝max(0,x)，在忽略边界填充的情况下，二维CNN的输出大小为1×l，其中为输出向量的长度，s为步长；同时，历史烧结温度Y＝{y(t),...y(t-τ)}作为GRU层输入挖掘回转窑的非线性动态特征Hy，GRU单元在t时刻的最后隐藏状态计算为：其中wr、vr是复位门rt的权重矩阵，βr是其偏差向量；wz、vz是更新门zt的权重矩阵，βz是其偏差向量；vh和wh是公式(4)的权重矩阵，βh是其偏差向量；tanh是一个双曲正切函数，⊙是按元素乘法，σ(x)函数是e是自然常数；公式(2)和(3)为复位门rt和更新门zt的操作，在获得当前时刻的输出Yt和前一时间步长的隐藏状态之后，更新或重置的可能性由σ(x)函数确定；公式(4)，同时步的当前数据Yt和复位门rt选择的部分过去的隐藏状态通过非线性变化确定新的存储内容公式(5)，更新门zt通过过滤新的存储器内容和前一时间步长的隐藏状态，形成当前的动态耦合信息步骤S5.3，对提取到的耦合特征进一步一维卷积压缩：K表示一维卷积层中滤波器的个数，wK和βK是一维卷积过程的权重矩阵和偏差向量，HK为输出的深度时空耦合特征；步骤S5.4，通过两层卷积层计算得到的耦合特征被进一步挖掘动态特征，在GRU单元被计算为：Ht指当前时刻的深度时空耦合特征，为上一时刻GRU单元的输出；步骤S5.5，利用全连接层进一步挖掘经过GRU层计算得到的动态耦合特征HXy的非线性信息：DXy＝f(wXyHXy+βXy)(11)其中wXy和βXy分别是权重矩阵和偏差；步骤S5.6，利用全连接层加权融合动态耦合特征HXy和非线性动态特征Hy：其中表示模型的最终预测；wD、wy表示转换矩阵，βFc表示偏差值，f是非线性激活函数；步骤S5.7，利用均方误差损失函数Loss用于模型训练中的优化，计算预测偏差：其中F是训练样本长度；步骤S5.8，使用Adam优化算法寻找网络误差对每个权重参数的反向传播梯度，并通过参数本文档来自技高网...

【技术保护点】
1.基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，包括：/n步骤S1，从多个热工数据中选取出8个热工变量，采集间隔为1分钟，并进行预处理；/n步骤S2，对预处理后的多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；/n步骤S3，对各变量数据标准化处理；/n步骤S4，通过采集到的多个样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；/n步骤S5，利用训练数据集训练深度神经网络得到相应的权重与偏置，将得到的权重与偏置带入验证数据集，然后计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；/n步骤S6，将步骤S5中使训练集预测误差最小的权重和偏置带入预测数据集中，计算得到预测值。/n

【技术特征摘要】
1.基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，包括：
步骤S1，从多个热工数据中选取出8个热工变量，采集间隔为1分钟，并进行预处理；
步骤S2，对预处理后的多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；
步骤S3，对各变量数据标准化处理；
步骤S4，通过采集到的多个样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；
步骤S5，利用训练数据集训练深度神经网络得到相应的权重与偏置，将得到的权重与偏置带入验证数据集，然后计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；
步骤S6，将步骤S5中使训练集预测误差最小的权重和偏置带入预测数据集中，计算得到预测值。


2.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S1，8个热工变量为：窑头温度x1、窑尾温度x2、主机负荷x3、冷却机负荷x4、鼓风流量x5、窑体转速x6、喂煤量x7、烧结温度y。


3.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S1，预处理过程为：查找采集到的8个热工变量数据的缺失值，删除缺失值并删除同一时刻采集到的其他变量数据。


4.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S2为：
步骤S2.1，计算7个热工数据变量X的中心化矩阵Xc；
步骤S2.2，计算Xc的协方差矩阵W＝XcXcT，T是转置；
步骤S2.3，协方差矩阵W做特征值分解，计算特征值λi和特征向量pi，i∈(1,2,...7)并按特征值大小降序排列；
步骤S2.4，计算各主成分贡献率L为主成分的个数,L∈(1,2,...7)，计算累计贡献率选取累计贡献率前90％对应的前L个主成分对应的L个特征向量组成因子载荷矩阵是实数集；
步骤S2.5，选取L个主成分在因子载荷矩阵中数值最高所对应的热工变量作为最优变量，作为模型输入。


5.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S3为：
选取的变量数据进行计算其中xmin和xmin分别为每个变量样本中最小值和最大值，x为采集到的原数据，x′为归一化后的变量数据。


6.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S4为：
以时间间隔τ为样本选取间隔长度，以滑窗的方式选取集合，对预测烧结温度y(t+1)，输入数据为X(t),...,X(t-τ),y(t),...,y(t-τ)，其中X是选取的最优的L个过程变量时间序列数据，即X＝{x1,x5,x6,x7}，y是烧结温度数据，N是采集数据样本个数，t是当前时刻，指实数集合，将得到的样本集合分成75％的训练集，20％预测集，5％的验证集。


7.根据权利要求1所述的基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，所述步骤S5为：
步骤S5.1，确定神经网络反向传...

【专利技术属性】
技术研发人员：陈华，张小刚，雷艳莹，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43